Fugu-MT 論文翻訳(概要): Statistical physics, Bayesian inference and neural information processing

論文の概要: Statistical physics, Bayesian inference and neural information processing

arxiv url: http://arxiv.org/abs/2309.17006v1
Date: Fri, 29 Sep 2023 06:40:13 GMT
ステータス: 処理完了
システム内更新日: 2023-10-02 15:16:57.289139
Title: Statistical physics, Bayesian inference and neural information processing
Title（参考訳）: 統計物理学、ベイズ推論と神経情報処理
Authors: Erin Grant and Sandra Nestler and Berfin \c{S}im\c{s}ek and Sara Solla
Abstract要約: 統計物理学のレンズによる神経情報処理について論じる。内容にはベイズ的推論や、学習と一般化に関するギブスの記述との関係が含まれる。
参考スコア（独自算出の注目度）: 2.7870396480031903
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Lecture notes from the course given by Professor Sara A. Solla at the Les Houches summer school on "Statistical physics of Machine Learning". The notes discuss neural information processing through the lens of Statistical Physics. Contents include Bayesian inference and its connection to a Gibbs description of learning and generalization, Generalized Linear Models as a controlled alternative to backpropagation through time, and linear and non-linear techniques for dimensionality reduction.
Abstract（参考訳）: Les HouchesサマースクールのSara A. Solla教授が「機械学習の統計物理学」で講義を行った。このノートは統計物理学のレンズによる神経情報処理について論じている。内容には、ベイズ推論とその学習と一般化のギブス記述との関連、時間的バックプロパゲーションの制御代替としての一般化線形モデル、次元減少のための線形および非線形手法が含まれる。

関連論文リスト

TASI Lectures on Physics for Machine Learning [0.0]
注記は、TASI 2024で行った、機械学習のための物理学に関する講義に基づいている。ニューラルネットワーク理論は、ネットワーク表現性、統計、ダイナミクスに基づいて組織化されている。
論文参考訳（メタデータ） (2024-07-31T18:00:22Z)
Label Propagation Training Schemes for Physics-Informed Neural Networks and Gaussian Processes [12.027710824379428]
本稿では,物理情報を用いた機械学習手法の訓練のための半教師付き方法論を提案する。本稿では,これらの手法が情報伝達の時間を短縮する方法について述べる。
論文参考訳（メタデータ） (2024-04-08T18:41:55Z)
Demolition and Reinforcement of Memories in Spin-Glass-like Neural Networks [0.0]
この論文の目的は、連想記憶モデルと生成モデルの両方において、アンラーニングの有効性を理解することである。構造化データの選択により、連想記憶モデルは、相当量のアトラクションを持つニューラルダイナミクスのアトラクションとしての概念を検索することができる。 Boltzmann Machinesの新しい正規化手法が提案され、データセットから隠れ確率分布を学習する以前に開発された手法より優れていることが証明された。
論文参考訳（メタデータ） (2024-03-04T23:12:42Z)
Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
論文参考訳（メタデータ） (2024-02-20T15:23:24Z)
Nature-Inspired Local Propagation [68.63385571967267]
自然学習プロセスは、データの表現と学習が局所性を尊重するような方法で交わされるメカニズムに依存している。ハミルトン方程式の構造を導出した「学習の法則」のアルゴリズム的解釈は、伝播の速度が無限大になるときにバックプロパゲーションに還元されることを示す。これにより、バックプロパゲーションと提案されたローカルアルゴリズムの置き換えに基づく完全なオンライン情報に基づく機械学習への扉が開く。
論文参考訳（メタデータ） (2024-02-04T21:43:37Z)
Kernels, Data & Physics [0.43748379918040853]
ノートは、機械学習における問題に対するいわゆるNTKアプローチについて議論する。主にデータ蒸留や対向ロバスト性といった実践的な応用に焦点が当てられている。
論文参考訳（メタデータ） (2023-07-05T23:51:05Z)
Kalman Filter for Online Classification of Non-Stationary Data [101.26838049872651]
オンライン連続学習(OCL)では、学習システムはデータのストリームを受け取り、予測とトレーニングの手順を順次実行する。本稿では,線形予測量に対するニューラル表現と状態空間モデルを用いた確率ベイズオンライン学習モデルを提案する。多クラス分類の実験では、モデルの予測能力と非定常性を捉える柔軟性を示す。
論文参考訳（メタデータ） (2023-06-14T11:41:42Z)
Geometric Knowledge Distillation: Topology Compression for Graph Neural Networks [80.8446673089281]
グラフトポロジ情報をグラフニューラルネットワーク(GNN)に符号化することを目的とした知識伝達の新しいパラダイムについて検討する。本稿では,GNNのアーキテクチャに関する基礎となる多様体の幾何学的性質をカプセル化するためのニューラルヒートカーネル(NHK)を提案する。基本的な原理的解法は、NHKを幾何学的知識蒸留(Geometric Knowledge Distillation)と呼ばれる教師モデルと学生モデルに合わせることで導かれる。
論文参考訳（メタデータ） (2022-10-24T08:01:58Z)
Applications of physics informed neural operators [2.588973722689844]
偏微分方程式を学習するためのエンドツーエンドフレームワークを提案する。まず,本手法が他のニューラル演算子の精度と性能を再現することを示す。 2次元バーガース方程式を含む新しいタイプの方程式を学習するために、物理インフォームド・ニューラル演算子を適用した。
論文参考訳（メタデータ） (2022-03-23T18:00:05Z)
Physics Informed RNN-DCT Networks for Time-Dependent Partial Differential Equations [62.81701992551728]
時間依存偏微分方程式を解くための物理インフォームド・フレームワークを提案する。我々のモデルは離散コサイン変換を用いて空間的および反復的なニューラルネットワークを符号化する。ナヴィエ・ストークス方程式に対するテイラー・グリーン渦解の実験結果を示す。
論文参考訳（メタデータ） (2022-02-24T20:46:52Z)
Physically Explainable CNN for SAR Image Classification [59.63879146724284]
本稿では,SAR画像分類のための新しい物理誘導型ニューラルネットワークを提案する。提案フレームワークは,(1)既存の説明可能なモデルを用いて物理誘導信号を生成すること,(2)物理誘導ネットワークを用いた物理認識特徴を学習すること,(3)従来の分類深層学習モデルに適応的に物理認識特徴を注入すること,の3つの部分からなる。実験の結果,提案手法はデータ駆動型CNNと比較して,分類性能を大幅に向上することがわかった。
論文参考訳（メタデータ） (2021-10-27T03:30:18Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。